Waarom de meeste AI-pilots in chemische fabrieken mislukken – lessen van industrie-experts

Hooge verwachtingen, inconsistente data en geïsoleerde pilots kunnen AI-pilots verhinderen van succesvolle implementatie in de praktijk. De oplossing ligt in industriële intelligentie die de lus sluit tussen voorspelling en de werkvloer, schrijft Stephen Reynolds, Industry Principal, Chemicals bij AVEVA.

Elke Formule 1-auto genereert honderden gigabytes telemetriedata tijdens een race – van bandenslijtage en brandstofverbruik tot remtemperatuur, weersveranderingen en concurrentgedrag. Die data wordt in realtime gestreamd naar ingenieurs op de baan en in externe labs, waardoor ze prestaties kunnen analyseren, strategie optimaliseren en een competitief voordeel behalen in een sport waar elke milliseconde telt. Het is een herinnering dat succes niet zit in de grootte van je dataset of de sophistication van je model, maar in of inzichten worden omgezet in tijdige, operationele beslissingen.

Chemische fabrieken kunnen de markt overtreffen door AI te behandelen als een hoogpresterende raceauto. Ze genereren al miljarden datapunten van sensoren, laboratoria en ERP-systemen. Bedrijven draaien AI-pilots, testen modellen en lanceren proof-of-concepts, met McKinsey die rapporteert dat 78% van de organisaties AI in ten minste één bedrijfsfunctie gebruikt.

De meeste AI-pilots stranden

Toch stranden de meeste pilots voordat ze waarde leveren. Een recente enquête toont aan dat 88% van de AI-pilots nooit de productie bereikt, en MIT rapporteerde in augustus dat 95% van de generatieve-AI-initiatieven gericht op snelle opbrengst mislukken.

Deze "AI-purgatorium" is geen gebrek aan verbeelding – het is een gebrek aan strategie en actie. Het vertalen van inzichten naar real-world actie, net als een perfecte F1-strategie zonder bandenwissels, is essentieel.

AI is niet plug-and-play

Teams vallen vaak slachtoffer van "shiny-object syndrome", waarbij AI wordt behandeld als een plug-and-play oplossing. Wanneer ambitie de infrastructuur voorbij streeft, worden modellen toegepast op taken waar ze niet voor ontworpen zijn, gevoed met inconsistente of vertraagde lab- en sensordata, en blijven geïsoleerd van operaties. De resulterende inzichten kunnen niet op real-world processen worden toegepast.

"Een verbazingwekkende 88% van de AI-pilots bereikt de productie niet, volgens een recente enquête."

Zelfs wanneer AI vervuiling in een reactor of inactieve katalysatoren voorspelt, verdwijnt de waarde als operators niet kunnen handelen door niet-afgestemde workflows. Ongeduld voor directe resultaten en het gebrek aan continue feedback van nieuwe grondstoffen verergeren het probleem. Gefragmenteerde technologie leidt tot gefragmenteerde resultaten.

Het bereiken van de pole position – voorop lopen bij de concurrentie – vereist cross-functionele samenwerking en een verbonden ecosysteem dat industriële chemische systemen verenigt. Dat betekent MES, LIMS, ERP, historici en procesbesturingssystemen koppelen binnen een enkel platform, creërend een single source of truth dat datasilo's doorbreekt en intelligente inzichten voedt in bestaande besturingslussen op de werkvloer en managementniveau.

"Alleen met deze drie elementen – gecureerde data, proces-bewuste intelligente modellen en geïnspireerde mensen in de lus – beweegt AI verder dan theoretische concepten naar echte operationele en R&D-resultaten, met lagere downtime, hogere opbrengsten en kortere innovatiecycli."

AI versterkt, mensen verheffen

Het cureren en centraliseren van industriële data is het startpunt. Modellen moeten ontworpen zijn om upstream- en downstream-afhankelijkheden te respecteren. Belangrijkst is dat teams het vertrouwen in de intelligentie die ze ontvangen en gemachtigd worden om erop te handelen. Het vermijden van AI-purgatorium moet gezien worden als een culturele shift in plaats van een puur technologische upgrade.

Alleen met gecureerde data, proces-bewuste modellen en geïnspireerde mensen in de lus gaat AI over van concept naar tastbare operationele en R&D-voordelen.

Dat is hoe SCG Chemicals 99% fabrieksbetrouwbaarheid en een negenvoudige return on investment in slechts zes maanden bereikte. Om een van Azië's grootste chemische toeleveringsketten draaiende te houden, bouwde SCG een digitaal betrouwbaarheidsplatform dat AI door de hele levenscyclus integreert.

Door predictieve analyse, gecentraliseerde data en digitale tweeling-omgevingen op één plek te integreren, stelt het platform teams in staat om procesbeslissingen op de vlakte te nemen, vergelijkbaar met het wapenen van F1-raceploegen met realtime intelligentie.

Met dashboards variërend van business-unit niveau tot individuele apparatuur, hebben SCG's teams toegang tot actionable informatie en correleren ze die met realtime data binnen 10 seconden. Het identificeren van kritieke punten om asset-falen te voorkomen heeft de betrouwbaarheidskluft gedicht, en onderhoudskosten zijn met 40% gedaald.

Geschaald over de chemische sector, strekken AI-use cases zich uit tot het verbeteren van asset-uptime met predictieve analyse, hybride modellering om productinnovatie te versnellen, en zelfs ingrediëntontdekking voor milieuvriendelijke materialen.

"Wanneer chemiebedrijven deze stap-voor-stap aanpak volgen, bewegen ze verder dan reactief troubleshooten."

AI-pilot purgatorium voorkomen

Succes in elk gebied vereist meer dan AI-pilots behandelen als technologie-experimenten – een pad dat gegarandeerd leidt tot inclusie in de 95%-mislukkingsstatistiek. Naarmate digitale en analytische tools worden geadopteerd, hebben bedrijven end-to-end benaderingen nodig om analytics om te zetten in operationele verbeteringen, zoals Deloitte benadrukte in zijn recente chemische sector outlook.

Het overwinnen van AI-purgatorium begint met een perspectiefshift, inclusief culturele verandering. Eerst de KPI definiëren die u wilt veranderen en de workflow-impact kwantificeren. Pilots die alles proberen bereiken niets.

Vervolgens een data-first verbonden ecosysteem bouwen, integrerend historici, MES, LIMS en leveranciersprogramma's. Succes berust op data-kwaliteit, zo merkt Arthur D. Little op; schema's moeten gestandaardiseerd worden, metadata geannoteerd en lab-protocollen vastgelegd.

Dan de juiste AI selecteren en deze observeerbaar maken. Bijvoorbeeld: patroonherkenning kan apparatuurfouten voorspellen, LLMs kunnen compliance-documenten doorzoeken, en hybride modellering kan innovatieve toepassingen zoals formulering drijven.

Daarna de use case productiseren en schalen, één keer tegelijk. Ten slotte cross-functionele evaluatie en governance – McKinsey adviseert senior leaders de toezicht op te dragen – vermindert model drift en adoptierisico's.

Wanneer chemiebedrijven deze stap-voor-stap aanpak volgen, bewegen ze verder dan reactief troubleshooten. Operators kunnen vervuiling anticiperen, reactiecondities aanpassen en downtime voorkomen. R&D-teams versnellen formuleringen terwijl ze consistente schaalbaarheid waarborgen. De industrie kan eindelijk echte waarde halen uit haar AI-investeringen, net als F1-teams die telemetrie omzetten in split-seconden, race-winnende beslissingen.